Penerapan Algoritma

Winnowing
Pada Sistem Rekomendasi Penentuan Dosen
Pembimbing Skripsi
(Studi Kasus Program Studi Sistem Informasi)
(
The Application of Winnowing Algorithm on Recommendation System of thesis supervisor
determination (Case Study in Information System Study Program)
)
Jarwati
,
Antonius Cahya Prihandoko
,
Windy Eka Yulia R
S
i
s
t
e
m Inf
o
r
m
as
i
, Program
S
t
udi S
i
s
t
e
m
I
nfor
m
as
i
,
U
n
i
ver
s
it
as Je
m
ber (
UN
EJ)
Jln. Kalimantan 37
, Jember 68121
E-mail
: jeje.jarwati
@gmail.com
Abstrak
Sistem rekomendasi penentuan dosen pembimbing tugas akhir menggunakan algoritma
winnowing
merupakan sistem yang
bertujuan untuk membantu komisi bimbingan menentukan dosen pembimbing. Rekomendasi
yang dihasilkan berupa nama
dosen yang memenuhi syarat untuk menjadi dosen pembimbing sesuai dengan aturan yang
ada pada Program Studi Sistem
Informasi. Sistem ini berisikan daftar dosen program studi sistem informasi dan kata kunci
penelitian yang pernah
dilakukan dosen. Algoritma
winnowing
digunakan untuk mencari dan menghitung jumlah kata yang sama dalam setiap kata
kunci yang dibandingkan.
Setiap rekomendasi yang dihasilkan berdasar pada jumlah kesamaan antara kata kunci yang
dibandingkan dalam bentuk persentase yang diurutkan dari persentase tertinggi sampai
dengan terendah
. Sistem
rekomendasi ini dibangun berbasis website agar dapat digunakan dengan mudah oleh komisi
bimbingan, akademik dan
dosen. Algoritma
winnowing
dipilih karena memiliki keunggulan yakni dapat menangani permasalahan pencocokan string
yang bervariasi serta waktu komputasi yang cepat
.
Pembuatan sistem ini dibangun mengadopsi dari model
Waterfall.
Sistem rekomendasi penentuan dosen pembimbing ini dirancang dan dibangun dengan 3
(tiga) hak akses, yaitu akademik
dan komisi bimbingan dan dosen dengan berbagai fitur yang dapat memudahkan
penggunanya. Hasil dari penelitian ini,
sistem mampu mengimplementasikan algoritma
winnowing
untuk membantu komisi bimbingan menentukan dosen
pembimbing skripsi sesuai dengan aturan dan kompetensi yang dimiliki dosen.
Kata Kunci:
Algoritma
Winnowing
, Sistem Rekomendasi, Dosen Pembimbing Skripsi
Abstract
Recommendation system of final assignment supervisor determination using winnowing
algorithm is a system that aimed to
help supervising committee determine a supervisor for the students. The results of
recommendations system are names of
supervisor that qualified to be the supervisor according to the rules in Information System
Study Program. This system
contain list of lecturer’s name and keywords of researches that they have done. Winnowing
algorithm is used to search and
count the number of similar words for each keyword that being compared. Each
recommendation was resulted base on the
number of similar keywords that being compared in the form of percentage number that
sorted from higher to lower. This
recommendation system was built as website-based program so that it will be easy to access
by the supervising committee,
academic and lecturers. Winnowing algorithm was chosen because it
has special quality such as its capability to handle
vary matching problem string and it also has fast computation time. The system was built by
adopting waterfall model.
System on recomendation system of of supervisor determination was planned and built with
two access right : first is for
academic access and the second is for supervising committee and lecturers access which is
completed with eas
y
-to-used
features. The result of this research is that the system was able to implemented winnowing
algorithm to help supervising
committee to determine suitable thesis supervisor according to the rules of the study program
and the capability that the
lecturers had.
Keywords:
Winnowing Algorithm
,
Recommendation System
,
Thesis Supervisor Determination
PENDAHULUAN
Skripsi merupakan tugas akhir bagi mahasiswa untuk
mendapatkan gelar sarjana sesuai dengan bidang keahlian
yang dituliskan dalam bentuk karya tulis ilmiah. Penulisan
karya tulis ilmiah membutuhkan bimbingan dosen
pembimbing dari awal penyusunan sampai menghasilkan
karya tulis yang berkualitas. Dosen pembimbing berperan
penting dalam proses penulisan karya tulis ilmiah sebagai
fasilitator, motivator, dan pengarah yang baik sehingga
skripsi dapat selesai dan siap untuk diujikan. Penentuan
dosen pembimbing harus dilakukan dengan benar sesuai
dengan kriteria dan aturan yang berlaku sehingga hasil yang
dicapai lebih baik karena penguasaan konsep dan teori yang
matang.
S
aat ini program studi sistem informasi sedang merintis
untuk membuka pro
di
baru yaitu
Teknologi Informasi agar
dapat berkembang menjadi sebuah fakultas, maka
dapat
dipastikan jumlah mahasiswa akan semakin meningkat dan
penetapan dosen pembimbing oleh kombi tidak
akan
sesederhana saat mahasiswa
semester akhir
masih
sedikit.
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
12
O
leh karena itu dibutuhkan suatu
sistem
rekomendasi
y
an
g
d
a
p
a
t membantu kombi memilih dosen pembimbing
skripsi
yang tepat dengan memasukkan
kata kunci
topik
dan
judul
yang diajukan mahasiswa.
Sistem rekomendasi pemilihan dosen pembimbing
skripsi dibuat untuk memilih dosen pembimbing yang
sesuai dengan kompetensi, beban kerja dan topik yang
dikerjakan mahasiswa. Berdasarkan hal tersebut, terdapat
beberapa kriteria yang digunakan dalam pemilihan dosen
pembimbing diantaranya yaitu bidang ilmu atau
kompetensi, kata kunci penelitian dosen
, dan
jabatan. Hasil
keputusan diperoleh dengan mencocokkan antara kata kunci
topik yang diambil mahasiswa dengan kata kunci penelitian
yang dilakukan oleh dosen pembimbing dan bidang ilmu
yang kemudian dipilih dengan mempertimbangkan jabatan
dosen. Salah satu metode yang tepat untuk diterapkan
dalam percocokan tersebut adalah algoritma
winnowing
.
Algoritma
winnowing
menerapkan konsep
string matching
untuk mencocokkan suatu
string
dengan
string
lainnya
menggunakan teknik hashing .
Pencocokan dapat dilakukan
dengan menghitung
similarity
d
a
r
i kata kunci
penelitian
dosen dan kata kunci topik
y
an
g dibandingkan
.
Sistem rekomendasi pemilihan dosen pembimbing
dibangun menggunakan algoritma
winnowing
. Algoritma
winnowing
diasumsikan
dapat
melakukan pencocokan pola
string antara kata kunci topik mahasiswa dengan kata kunci
penelitian dosen. Implementasi algoritma
winnowing
pada
sistem pendukung keputusan ini dapat memberikan
rekomendasi yang tepat sesuai dengan aturan yang berlaku
pada prodi Sistem Informasi.
TINJAUAN PUSTAKA
Metode
String Matching
String match
ing
adalah algoritma yang digunakan
untuk memecahkan masalah pencocokan suatu teks
terhadap teks lain
.
P
encocokan string fokus pada pencarian
satu atau lebih ke
samaan
kata dalam sebuah teks
 (Pertiwi,
2015). Tahap awal yang dilakukan dalam implementasi
string matching
yaitu
ekstraksi informasi
menjadi teks
terstruktur menggunakan metode
text mining .
Metode pendeteksi kesamaan
string
dibagi menjadi tiga
bagian yaitu metode perbandingan teks lengkap, metode
dokumen
fingerprinting
, dan metode kesamaan kata kunci
(Kurniawati, 2008) .Berikut ini penjelasan dari masing-
masing metode dari algoritma pendeteksi kesamaan:
a. Metode perbandingan teks lengkap diterapkan dengan
membandingkan semua isi dokumen. Perbandingan teks
lengkap membutuhkan waktu yang lama tetapi cukup
efektif, karena kumpulan dokumen yang diperbandingkan
adalah dokumen yang disimpan pada penyimpanan lokal.
Metode perbandingan teks lengkap tidak dapat diterapkan
untuk kumpulan dokumen yang tidak terdapat pada
dokumen lokal. Algoritma yang digunakan pada metode ini
adalah algoritma
Brute-Force
, algoritma
edit distance
,
algoritma
Boyer Moore
dan algoritma
lavenshtein distance.
b. Dokumen
fingerprinting
merupakan metode yang
digunakan untuk mendeteksi keakuratan salinan antar
dokumen, baik semua teks yang terdapat di dalam dokumen
atau hanya sebagian teks saja. Prinsip kerja dari metode
dokumen
fingerprinting
adalah dengan menggunakan
teknik
hashing
. Teknik
hashing
adalah sebuah fungsi yang
mengkonversi setiap string menjadi nilai
hash
. Algoritma
yang digunakan pada metode ini adalah Rabin-Karp,
Winnowing
dan Manber.
c. Prinsip metode kesamaan kata kunci adalah mengekstrak
kata kunci dari dokumen dan kemudian dibandingkan
dengan kata kunci pada dokumen yang lain.
Metode Dokumen
Fingerprinting
P
rinsip kerja dari metode dokumen
fingerprinting
adalah dengan menggunakan teknik
hashing
. Teknik
hashing
adalah sebuah fungsi yang mengkonversi setiap
string menjadi bilangan kemudian menyimpannya dalam
sebuah skema atau bagan. Skema digital dokumen
fingerprinting
terdiri dari sejumlah posisi yang diberi tanda
di dalam dokumen, algoritma
fingerprinting
yang akan
memilih tanda yang akan di tambahkan untuk setiap posisi
tergantung pada jumlah salinan.
Secara umum prinsip kerja dari metode dokumen
fingerprinting
adalah dengan tahapan sebagai berikut :
1. Asumsikan teks adalah string s yang panjangnya t.
2. Hilangkan tanda baca dan spasi.
3. Membagi dokumen menjadi k-gram.
K-gram digunakan
dalam pengambilan potongan karakter huruf sejumlah k
dari sebuah kata secara kontinuitas dibaca dari teks sumber
hingga akhir dari dokumen.
4. Menghitung nilai
hash
dari setiap gram
yang dihasilkan
.
5. Memilih beberapa hasil
hash
menjadi dokumen
fingerprinting
.
Algoritma
Winnowing
Algoritma
winnowing
merupakan algoritma yang
digunakan dalam deteksi kesamaan menggunakan fungsi
hashing
.
Winnowing
adalah algoritma yang digunakan
untuk melakukan proses
document fingerprinting
.
Algoritma
winnowing
melakukan penghitungan nilai-nilai
hash
dari setiap
k-gram,
untuk mencari nilai
hash
selanjutnya digunakan fungsi
rolling hash
.
Kemudian
dibentuk
window
dari nilai-nilai
hash
tersebut.
Dalam setiap
window
dipilih nilai
hash
minimum. Jika ada lebih dari satu
hash
dengan nilai minimum, dipilih nilai
hash
yang paling
kanan. Kemudian semua nilai
hash
terpilih disimpan untuk
dijadikan
fingerprint
dari suatu dokumen
. Fingerprint
ini
yang akan dijadikan dasar pembanding kesamaan antara
teks yang telah dimasukkan
.
Berikut merupakan persamaan
untuk menghitung nilai hash
(1...)=
퐀퐀퐀퐀퐀
1
∗
퐀
(−1)
퐀
+
퐀
2
∗
퐀
(−2)
퐀
+⋯+
퐀
(−1)
퐀
∗
퐀
퐀
+
퐀
퐀
(2.1)
Keterangan :
c : nilai ASCII karakter
b : basis (bilangan prima)
k : banyak karakter
Langkah perhitungan algoritma
winnowing
digambarkan pada Gambar 2.1
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
13
G
a
m
b
a
r 2.1
Diagram alir algoritma metde certainty factor
METODE PENELITIAN
Jenis Penelitian
Jenis penelitan yang digunakan pada penelitian ini
merupakan jenis penelitian pengembangan, karena tujuan
penelitian adalah untuk membangun sebuah sistem
rekomendasi. Penelitian pengembangan bertujuan untuk
membuat dan mengembangkan suatu produk yang efektif
untuk digunakan. Penelitian ini bukan jenis penelitian yang
ditunjukkan untuk menemukan teori atau menguji
kebenaran dari suatu teori dalam bentuk eksperimentasi.
Tahapan Penelitian
Tahapan penelitian ini meliputi tahap pengumpulan data
dan tahap analisis data. Penelitian dimulai dengan mencari
studi literatur, menentukan tempat penelitian dan
wawancara yang kemudian dilanjutkan ke analisis data dan
pembuatan sistem untuk merumuskan analisis kebutuhan
dari sistem. Setelah analisis kebutuhan terpenuhi, proses
selanjutnya yaitu perancangan dan implementasi meliputi
desain,
coding
kemudian
testing
aplikasi yang dibangun.
Jika terjadi
error
maka akan dilakukan perbaikan sistem.
Tahap terakhir yaitu penyusunan laporan.
Perancangan Sistem
Perancangan sistem pada penelitian ini mengadopsi
metode
waterfall
. Menurut Pressman (2001), Terdapat 5
tahapan pada model
waterfall
, yaitu analisis
kebutuhan
(requirements),
desain, implementasi dan
perawatan
(maintenance).
Analisis Kebutuhan Sistem
Berdasarkan metode pengembangan sistem model
waterfall
, tahapan awal yang dilakukan adalah tahapan
analisis. Tahapan analisis ini dilakukan terhadap objek
penelitian untuk memperoleh kebutuhan-kebutuhan dari
sistem yang dibangun, baik berupa kebutuhan fungsional
maupun kebutuhan nonfungsional. Hasil analisa tersebut
sangat mempengaruhi fungsionalitas sistem yang dibangun
untuk dapat digunakan sesuai dengan fungsi dan kebutuhan
pengguna.
Desain Sistem
Desain sistem merupakan tahapan untuk pemodelan dari
sistem yang dibangun. Sistem mulai dirancang
menggunakan
Unified Modeling Languange
(UML).
Bussiness Process
G
ambaran umum sistem
rekomendasi penentuan dosen
menggunakan algoritma
winnowing
dapat digambarkan
melalui sebuah
business process
. Seperti yang dapat kita
lihat pada Gambar 4.1
yang
menggambarkan data-data yang
digunakan sebagai masukan, data keluaran, uses sistem
yang dibangun, hingga goal dari sistem
itu
sendiri.
Gambar 4.1.
Bussiness Process
Use Case Diagram
Use case
diagram merupakan pemodelan yang dibuat
untuk dapat menggambarkan interaksi antara aktor dengan
sistem
rekomendasi penentuan dosen menggunakan
algoritma
winnowing
yang akan dibangun. Melalui use
case diagram dapat diketahui interaksi yang dapat dilakukan
setiap
aktor terhadap sistem sesuai dengan hak akses yang
dimiliki oleh masing
-
masing
aktor atau pengguna. Pada
Gambar 4.2 digambarkan use case diagram yang terdiri atas
tiga
aktor dengan
dua puluh satu
use case.
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
14
Gambar 4.2 Use Case Diagram
Class
 Diagram
Setelah melalui tahap pembuatan desain dengan
sequence diagram, tahap selanjutnya yaitu membuat desain
perancangan class diagram. Untuk
class
diagram sistem
dapat dilihat pada Gambar 4.3
Gambar 4.3
Class
Diagram
Entity Relationship
Diagram (ERD)
Entity Relationship
Diagram (ERD) sistem rekomendasi
penentuan dosen pembimbing menggunakan algoritma
winnowing
merupakan gambaran komponen dan struktur
database
yang digunakan dalam pembuatan sistem. ERD
yang diimplementasikan pada sistem ini terdiri dari 7
entitas sebagaimana terlihat pada Gambar 4.4 dibawah ini.
Gambar 4.4 Entity Relationship Diagram (ERD)
HASIL
PENELITIAN
Pada bab ini
menjelaskan mengenai hasil penelitian
yang telah dilakukan serta pembahasan
sistem rekomedasi
penentuan dosen pembimbing skripsi menggunakan
algoritma
winnowing
yang telah dibuat. Pembahasan
dilakukan guna menjelaskan dan memaparkan bagaimana
penelitian ini menjawab perumusan masalah serta tujuan
dan manfaat dari penelitian ini seperti apa yang telah
ditentukan pada awal penelitian.
Hasil Penerapan Perhitungan Metode
Certainty Factor
Penerapan perhitungan algoritma
winnowing
pada
sistem terletak pada fitur rekomendasi pengajuan proposal
yang dapat diakses oleh
user
komisi bimbingan. Fitur
terbesut memanfaatkan algotima
winnowing
untuk
menemukan pola string yang sama menggunakan nilai
fingerprint
seperti yang telah dijelaskan pada tinjauan
pustaka. Setiap kata yang terkandung dalam
keyword
proposal
dan
keyword
jurnal penelitian akan dibandingkan .
Sebagai contoh, perhitungan pada proses pencarian
kemiripan akan dilakukan pada
keyword
penelitian dosen
dan
keyword
yang diajukan mahasiswa yang dijadikan
sample
.
Berikut adalah contoh kasus penentuan dosen
pembimbing pada Tabel 5.1 dan Tabel 5.2
Tabel 5.1 Data pengajuan proposal
Nama
Keyword
1
(k1)
Keyword
2
(k2)
Keyword
3
(k3)
Jarwati
Algoritma
Winnowing
Sistem
Rekomendasi
Penentuan
Dosen
Pembimbing
Tabel 5.2 Data Penelitian Dosen
Nama
Keyword
1(Kd1)
Keyword
2
(Kd2)
Keyword
3
(Kd2)
Slamin
Graf
Sistem
Informasi
Letak lampu
kota
Slamin
Sistem
Pendukung
Keputusan
Naive Bayes
Classifier
Kelayakan
Raskin
Saiful
Bukhori
Deteksi
Plagiarisme
Algoritma
Winnowing
Untuk menghasilkan persentase, selanjutnya dilakukan
perhitungan kesamaan antara
keyword
proposal (k1, k2, k3)
dengan keyword penelitian dosen (kd1, kd2, kd3).
Langkah-langkah perhitungan persentase dari string
matching adalah sebagai berikut:
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
15
1. Langkah
preprocessing
, yaitu mengubah setiap
keyword
menjadi huruf kecil (lowercase) dan proses menghilangkan
tanda baca.
a. Keyword
topik mahasiswa :
Algoritma
Winnowing
Sistem
Rekomendasi
Penentuan
Dosen
Pembimbing
algoritmawinn
owing
sistemrekomend
asi
penentuandosne
pembimbing
b. Keyword
 penelitian dosen :
Slamin
Graf
Sistem
Informasi
Letak lampu kota
graf
Sistem
informasi
letaklampukota
Slamin
Sistem Pendukung
Keputusan
Naive Bayes
Classifier
Kelayakan
Raskin
sistempendukungk
eputusan
naivebayescla
ssifier
kelayakanraskin
Saiful
Bukhori
deteksi
Plagiarisme
Algoritma
Winnowing
deteksi
plagiarisme
algoritmawinnow
ing
1. Membentuk gram pada teks dengan nilai gram tiga
2. Menghitung nilai
hash
pada setiap gram yang dihasilkan
menggunakan proses
rolling hash
3. Memetakan nilai
hash
kedalam
window
dengan nilai
window
tiga
4. Menentukan nilai
fingerprint
pada setiap
window
yang
dihasilkan seperti pada Tabel 5.3
Tabel 5.3 Perhitungan Winnowing Mahasiswa
Nama
Jarwati
Proses
Keyword 1
Keyword 2
Keyword 3
Preprocessing
algoritmawinnowi
ng
sistemrekomendasi
Penentuandosenpembimbi
ng
Rangkaian
Gram
alg lgo gor ori rit
itm tma maw awi
win inn nno now
owi win ing
sis ist ste tem emr
mre rek eko kom
ome men end nda
das asi
pen ene nen ent ntu tua uan
and ndo dos ose sen enp
npe pem emb mbi bim imb
mbi bin ing
Nilai
Hash
13028
14312
13798
14790
15065
14090
15332
14375
13151
15664
14025
14631
14650
14845
15664
14018
15185
14086
15292
15256
13534
14544
15012
13509
14277
14731
14410
13531
14507
13282
13107
14773
13532
14531
13547
14703
15420
15334
13047
14521
13436
14797
15136
13543
14643
14772
13518
14372
13122
14002
14372
13123
14018
Window
{ 13028
14312 }
{ 14312
13798 }
{ 13798
14790 }
{ 14790
15065 }
{ 15065
14090 }
{ 14090
15332 }
{ 15332
14375 }
{ 15185
14086 }
{ 14086
15292 }
{ 15292
15256 }
{ 15256
13534 }
{ 13534
14544 }
{ 14544
15012 }
{ 15012
13509 }
{ 14773
13532 }
{ 13532
14531 }
{ 14531
13547 }
{ 13547
14703 }
{ 14703
15420 }
{ 15420
15334 }
{ 15334
13047 }
Fingerprint
[13028]
[13798]
[14790]
[14090]
[14375]
[13151]
[14025]
[14631]
[14650]
[14845]
[14018]
[14086]
[15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282] [13107]
[13532]
[13547]
[14703]
[15334]
[13047]
[13436]
[14797]
[13543]
[14643]
[13518]
[13122]
[14002]
[13123]
1. Langkah selanjutnya yaitu menghitung persentase
kemiripan setiap fingerprint yang dihasilkan pada langkah
1 sampai 5.
2. Membandingkan
fingerprint
keyword
mahasiswa
’Algoritma Winnowing’ dengan
keyword
penelitian semua
dosen seperti pada Tabel 5.4.
Tabel 5.4 Perhitungan winnowing dosen dan mahasiswa
Fingerprint
Mahasiswa(B)
Dosen(A)
Hitung Persentase
[13028][13798][14790]
[14090][14375][13151]
[14025][14631][14650]
[14845][14018]
[13814]
Teks : Graf(A) dan
Algoritma Winnowing(B)
S=
A∩B
AUB
S =(0/12) *100% = 0
%
-
[13028][13798][14790]
[14090][14375][13151]
[14025][14631][14650]
[14845][14018]
[14086]
[15256] [13525]
[14017] [13677]
[14794]
[14371]
[13107]
Teks : Sistem Informasi(A)
dan Algoritma
Winnowing(B)
S=
A∩B
AUB
S=
(0/19) * 100 = 0%
[13028][13798][14790]
[14090][14375][13151]
[14025][14631][14650]
[14845][14018]
[13594][13022]
[14232]
[13048]
[14538][14946]
[14284]
Teks : Letak Lampu
Kota(A) dan Algoritma
Winnowing(B)
S=
A∩B
AUB
S=
(0/18) * 100 = 0%
[13028][13798][14790]
[14090][14375][13151]
[14025][14631][14650]
[14845][14018]
[14086][15256][13532]
[14522][13531][13494]
[14344][14550][13741]
[13570][14955][15438]
[15092]
Teks : Sistem pendukung
Keputusan(A) dan
Algoritma Winnowing(B)
S=
A∩B
AUB
S=
(0/24) * 100 = 0%
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
16
Fingerprint
Mahasiswa
Dosen
Hitung persentase
[13028][13798][14790]
[14090][14375][13151]
[14025][14631][14650]
[14845] [14018]
[13010][14104][13396]
[13046][13169][13585]
[13264][13117][15172]
[13932] [13598]
Teks :
naive bayes classifier
(A) dan Algoritma
Winnowing(B)
S=
A∩B
AUB
S=
(0/17) * 100 = 0%
[13028][13798][14790]
[14090][14375][13151]
[14025][14631][14650]
[14845] [14018]
[13506][13165]
[13011]
[13061]
[14661] [13109]
[14212]
Teks :
Kelayakan Raskin
(A) dan Algoritma
Winnowing(B)
S=
A∩B
AUB
S=
(0/1
8
) * 100 = 0%
[13028][13798]
[14790]
[14090][14375]
[13151]
[14025]
[14631] [14650]
[14845] [14018]
[13327,0][13598] [13513,3]
Teks :
Deteksi
(A) dan
Algoritma Winnowing(B)
S=
A∩B
AUB
S=
(0/1
4
) * 100 = 0%
[14025][14631][14650]
[14845][14018]
Teks :
Plagiarisme
(A)
dan Algoritma
Winnowing(B)
S=
A∩B
AUB
S=
(0/1
6
) * 100 = 0%
[13028] [13798][14790]
[14090][14375][13151]
[14025][14631][14650]
[14845][14018]
[13028][13798]
[14790]
[14090][14375][13151]
[14025][14631][14650]
[14845][14018]
Teks :
Algoritma
Winnowing
(A) dan
Algoritma Winnowing(B)
S=
A∩B
AUB
S=
(
11
/
11
) * 100 =
10
0%
Membandingkan
fingerprint
keyword
mahasiswa “sistem
rekomendasi” dengan
keyword
penelitian semua dosen
yaitu “graf”, “sistem informasi”, “letak lampu kota”,
“system pendukung keputusan”, “naive bayes classifier”,
“kelayakan raskin”, “
deteksi
”, “
plagiarisme
”, “
algoritma
winnowing
” seperti pada Tabel 5.5.
Tabel 5.5 Perhitungan persentase kemiripan
Fingerprint
Mahasiswa (B)
Dosen (A)
Hitung Persentase
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[13814]
Teks : Graf(A) dan Sistem
Rekomendasi (B)
S=
A∩B
AUB
S =(0/11) *100% = 0 %
-
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[14086]
[15256] [13525]
[14017] [13677]
[14794] [14371]
[13107]
Teks : Sistem
Informasi(A) dan Sistem
Rekomendasi (B)
S=
A∩B
AUB
S=
(0/1
8
) * 100 = 0%
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[13594][13022]
[14232][13048]
[14538][14946]
[14284]
Teks : Letak Lampu
Kota(A) dan Sistem
Rekomendasi (B)
S=
A∩B
AUB
S=
(0/1
7
) * 100 = 0%
Fingerprint
Mahasiswa (B)
Dosen (A)
Hitung persentase
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[13506]
[13165]
[13011]
[13061]
[14661] [13109] [14212]
Teks :
Kelayakan Raskin
(A) dan Sistem
Rekomendasi (B)
S=
A∩B
AUB
S=
(0/1
7
) * 100 = 0%
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[14086] [15256]
[13532]
[14522]
[13531]
[13494]
[14344]
[14550]
 [13741]
[13570]
[14955]
[15438]
[15092]
Teks : Sistem pendukung
Keputusan(A) dan Sistem
Rekomendasi (B)
S=
A∩B
AUB
S=
(3/20) * 100 = 15%
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[13010][14104] [13396][13046]
[13169] [13585] [13264]
[13117]
[15172]
[13932] [13598]
Teks :
naive bayes
classifier
(A) dan Sistem
Rekomendasi (B)
S=
A∩B
AUB
S=
(0/
21
) * 100 = 0%
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[13327][13598]
[13513]
Teks :
Deteksi
(A) dan
Sistem Rekomendasi (B)
S=
A∩B
AUB
S=
(0/1
3
) * 100 = 0%
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[14238]
[12975] [13715]
[13096] [14079]
Teks :
Plagiarisme
(A)
dan Sistem Rekomendasi
(B)
S=
A∩B
AUB
S=
(0/1
5
) * 100 = 0%
[14086] [15256]
[13534] [14544]
[13509] [14277]
[14410] [13531]
[13282]
[13107]
[13028]
[13798][14790]
[14090]
[14375][13151] [14025][14631]
[14650]
[14845][14018]
Teks :
Algoritma
Winnowing
(A) dan
Sistem Rekomendasi (B)
S=
A∩B
AUB
S=
(
0
/
21
) * 100 =0%
Langkah selanjutnya yaitu membandingkan
fingerprint
keyword
mahasiswa “penentuan dosen pembimbing”
dengan
keyword
penelitian semua dosen seperti langkah 7
dan langkah 8 yaitu “graf”, “sistem informasi”, “letak
lampu kota”, “system pendukung keputusan”, “naive bayes
classifier”, “kelayakan raskin”, “
deteksi
”, “
plagiarisme
”,
“
algoritma winnowing
” seperti pada Tabel 5.6.
Tabel 5.6 Perhitungan persentase kemiripan
Fingerprint
Mahasiswa (B)
Dosen (A)
Hitung Persentase
[13532][13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122]
[14002]
[13123]
[13814]
Teks : Graf(A) dan
Penentuan Dosen
Pembimbing (B)
S=
A∩B
AUB
S=
(0/14) * 100 = 0%
[13532][13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122][14002]
[13123]
[14086][15256][13525]
[14017][13677][14794]
Teks : Sistem
Informasi(A) dan
Penentuan Dosen
Pembimbing (B)
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
17
[14371][13107]
S=
A∩B
AUB
S=
(0/
21
) * 100 = 0%
[13532][13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122][14002]
[13123]
[13594][13022]
[14232]
[13048]
[14538][14946]
[14284]
Teks : Letak Lampu
Kota(A) dan
penentuan dosen
pembimbing (B)
S=
A∩B
AUB
S=
(0/
20
) * 100 =
0%
[13532]
[13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122][14002]
[13123]
[14086] [15256]
[13532]
[14522][13531][13494]
[14344][14550][13741]
[13570][14955][15438]
[15092]
Teks : Sistem
pendukung
Keputusan(A) dan
Penentuan Dosen
Pembimbing (B)
S=
A∩B
AUB
S=
(
1
/2
5
) * 100 =
4
%
[13532][13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122][14002]
[13123]
[13010][14104][13396]
[13046]
[13169] [13585]
[13264]
[13117] [15172]
[13932] [13598]
Teks :
naive bayes
classifier
(A) dan
Penentuan Dosen
Pembimbing (B)
S=
A∩B
AUB
S=
(0/
24
) * 100 = 0%
[13532][13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122][14002]
 [13123]
[13506]
[13165]
[13011]
[13061]
[14661] [13109]
[14212]
Teks :
Kelayakan
Raskin
(A) dan
Penentuan Dosen
Pembimbing (B)
S=
A∩B
AUB
S=
(0/
20
) * 100 =
0%
[13532][13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122][14002]
[13123]
[13327][13598]
[13513]
Teks :
Deteksi
(A)
dan Penentuan Dosen
Pembimbing (B)
S=
A∩B
AUB
S=
(0/1
6
) * 100 = 0%
[13532][13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122][14002]
[13123]
[14238]
[12975] [13715]
[13096] [14079]
Teks :
Plagiarisme
(A) dan Penentuan
Dosen Pembimbing
(B)
S=
A∩B
AUB
S=
(0/1
8
) * 100 =
0%
[13532][13547][14703]
[15334]
[13047][13436]
[14797][13543][14643]
[13518]
[13122][14002]
[13123]
[13028]
[13798][14790]
[14090][14375][13151]
[14025][14631][14650]
[14845][14018]
Teks :
Algoritma
Winnowing
(A) dan
Sistem Rekomendasi
(B)
S=
A∩B
AUB
S=
(
0
/
24
) * 100 =0%
Langkah selanjutnya yaitu menghitung nilai rata-rata dari
persentase yang telah dihitung. Berikut merupakan cara
menghitung rata-rata persentase setiap dosen :
a. Alternatif 1 (Slamin) memiliki 6 keyword dengan 18 kali
perulangan yang masing-masing di cocokan dan dihasilkan
nilai berikut :
Graf – Algoritma Winnowing = 0%
Sistem Informasi – Algoritma Winnowing = 0%
Letak Lampu Kota – Algoritma Winnowing
= 0%
Sistem Pendukung Keputusan – Algoritma Winnowing =
0%
Naive Bayes Classifier – Algoritma Winnowing = 0%
Kelayakan Raskin – Algoritma Winnowing
= 0%
Graf – Sistem Rekomendasi = 0%
Sistem Informasi – Sistem Rekomendasi = 0%
Letak Lampu Kota – Sistem Rekomendasi = 0%
Sistem Pendukung Keputusan – Sistem Rekomendasi =
15%
Naive Bayes Classifier – Sistem Rekomendasi = 0%
Kelayakan Raskin – Sistem Rekomendasi = 0%
Graf – Penentuan Dosen Pembimbing = 0%
Sistem Informasi–Penentuan Dosen Pembimbing = 0%
Letak Lampu Kota – Penentuan Dosen Pembimbing = 0%
Sistem Pendukung Keputusan Penentuan Dosen
Pembimbing = 4%
Naive Bayes Classifier – Sistem Rekomendasi = 0%
Kelayakan Raskin – Sistem Rekomendasi = 0%
Nilai Rata-Rata = (19/16) % = 1,18 %
b. Alternatif 2 (Saiful Bukhori) memiliki 6 keyword dengan
18 kali perulangan yang masing-masing di cocokan dan
dihasilkan nilai berikut:
Deteksi– Algoritma Winnowing = 0%
Plagiarisme – Algoritma Winnowing = 0%
Algoritma Winnowing – Algoritma Winnowing = 100%
Deteksi– Sistem Rekomendasi = 0%
Plagiarisme – Sistem Rekomendasi
= 0%
Algoritma Winnowing – Sistem Rekomendasi = 0%
Deteksi– Penentuan Dosen Pembimbing = 0%
Plagiarisme – Penentuan Dosen Pembimbing = 0%
Algoritma Winnowing – Penentuan Dosen Pembimbing =
0%
Nilai Rata-Rata = (100/6) % = 16,67 %
Langkah terakhir adalah mengurutkan nilai rata-rata
persentase alternatif terbesar hingga terkecil. Sehingga
dihasilkan rekomendasi sebagai berikut :
a. Saiful Bukhori dengan persentase 16,67 %
b. Slamin dengan persentase 1,18 %
Dari hasil persentase diatas, maka dosen pembimbing
yang direkomendasikan oleh sistem sesuai dengan
kompetensi dosen adalah Saiful Bukhori.
Hasil Pembuatan Sistem
Rekomendasi Penentuan
Dosen Pembimbing Menggunakan Algoritma
Winnowing
Hasil pembuatan sistem dalam penelitian ini adalah
sistem rekomendasi penentuan dosen pembimbing
menggunakan algoritma winnowing. Terdapat batasan yang
bisa dilakukan sistem yakni sistem mampu memberikan
rekomendasi sesuai dengan kata kunci penelitian topik
mahasiswa tanpa memperhatikan nama dosen pembimbing
yang diajukan mahasiswa . Sistem hanya mencari kesamaan
pola kata kunci tanpa memperhatikan kesamaan kata dalam
Kamus Bahasa Indonesia.
User
yang dapat mengakses
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
18
sistem dibagi kedalam tiga hak akses yaitu akademik,
komisi bimbingan dan dosen. Akademik merupakan
user
sistem yang mendapat hak penuh terhadap proses input
data. Komisi bimbingan memiliki hak terhadap penentuan
dosen pembimbing
.
Sedangkan dosen hanya memiliki hak
untuk melihat jumlah bimbingan skripsi.
Berikut ini
merupakan tampilan fitur-fitur yang terdapat dalam sistem.
Fitur Login
Fitur ini merupakan fitur autentifikasi untuk dapat
mengakses terhadap fitur-fitur yang berada di dalam sistem.
Halaman ini digunakan oleh
user
akademik,
user
komisi
bimbingan maupun
user
dosen sebelum bisa mengakses
halaman beranda sistem.
User
diwajibkan memiliki
username
dan
password
untuk bisa mengakses fitur-fitur
yang ada di dalam sistem. Pengecekan hak akses
user
juga
dilakukan pada saat proses
login
dikerjakan.
User
dengan
level akademik diarahkan ke halaman utama akademik,
user
level komisi bimbingan akan diarahkan ke halaman
utama komisi bimbingan dan
user
dengan level dosen
diarahkan ke halaman utama dosen
Gambar 5.2 Tampilan halaman
login
Fitur Tambah Pengajuan
Fitur
tambah pengajuan
merupakan
fitur
yang dilakukan
oleh akademik untuk manajemen pengajuan proposal
.
Tampilan
halaman
tambah
data
pengajuan pada
Gambar
5.
3
.
Gambar 5.3 Fitur data gejala
Fitur Data Persetujuan
Fitur
melihat data
pengajuan
merupakan
fitur
yang
dilakukan oleh akademik untuk mengelola
data surat tugas
seperti melengkapi surat tugas, mencetak surat tugas, dan
mengubah status mahasiswa
. Tampilan
halaman data
persetujuan
dapat
dilihat
pad
a
Gambar 5.3.
Gambar 5.4 Fitur Data Persetujuan
Fitur Data Rekap bimbingan
Fitur data
rekap bimbingan
merupakan
fitur yang
dilakukan
oleh a
kademik dan komisi bimbingan
untuk
melihat
rekap
data
bimbingan dosen.
Data
rekap bimbingan
teridiri dari data dosen, data jumlah bimbingan, dan tombol
detail untuk melihat banyak detail bimbingan. Ketika
pengguna memilih tombol detail, maka sistem akan
menampilkan halaman detail bimbingan dosen
. Tampilan
halaman data
rekap bimbingan dan detail bimbingan dapat
dilihat
pada
Gambar 5.
5
dan
Gambar 5.
6
.
Gambar 5.5 Halaman rekap data bimbingan
Gambar 5.
6
Halaman
detail bimbingan
Fitur Manajemen Rekomendasi dosen
Manajemen rekomendasi dosen merupakan fitur yang
dilakukan oleh komisi bimbangan
.
Fitur ini dapat
menampilkan hasil rekomendasi dosen pembimbing utama
dan dosen pembimbing pendamping. Halaman rekomendasi
dosen
dapat
dilihat
pada
Gambar 5.
7
.
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
19
Gambar 5.7 Halaman rekomendasi dosen pembimbing
Pembahasan Pada Sistem Rekomendasi Dosen
Pembimbing
Pembahasan ini mencakup hasil dari diskusi yang telah
dilakukan oleh peneliti dengan dosen, akademik dan komisi
bimbingan. Proses pembahasan yang dilakukan
mendapatkan hasil bahwa sistem yang telah dibuat dapat
membantu memberikan rekomendasi dosen pembimbing
skripsi sesuai dengan aturan yang berlaku pada prodi
Sistem Informasi Universitas Jember.
Berdasarkan hasil diskusi atau tanya jawab dengan
komisi bimbingan dan dosen dapat disimpulkan bahwa
aplikasi ini dapat membantu komisi bimbingan dalam
memilih dosen pembimbing berdasar pada kata kunci
penelitian dosen dan sesuai dengan ko
mpetensi setiap
dosen, namun masih dibutuhkan penambahan kriteria bobot
dari alasan pemilihan dosen pembimbing. Ada beberapa
alasan mahasiswa memilih dosen untuk menjadi
pembimbing, diantaranya karena hanya senang dengan
dosen, karena topik penelitian lebih dikuasai dosen, atau
karena memiliki projek penelitian dengan dosen tersebut.
Hasil diskusi juga membahas mengenai kelebihan dan juga
keterbatasan sistem rekomendasi penentuan dosen
pembimbing. Kelebihan dan keterbatasan sistem, yaitu :
Kelebihan Sistem
Dari hasil pembuatan sistem, penulis dapat menganalisis
kelebihan dari sistem yang dibuat yaitu :
a. Pengguna harus melakukan
login
jika ingin
menggunakan sistem. Hal ini dimaksudkan untuk
keamanan data yang dimiliki oleh pengguna.
b. Data perhitungan yang dihasilkan oleh sistem akurat
karena perhitungan dilakukan oleh sistem sehingga hasil
perhitungan algoritma winnowing yang dihasilkan bernilai
benar.
c. Sistem mampu menampilkan pesan ketika terjadi
error
.
Hal ini memudahkan pengguna untuk mengetahui bahwa
terjadi kesalahan pada saat menjalankan sistem.
d. Sistem ini bersifat dinamis karena dalam
pengimplementasiannya, data keyword yang digunakan
dalam penelitian ini dapat ditmbah sesuai dengan
perkembangan penelitian dosen.
e. Hasil rekomendasi berdasar pada aturan yang berlaku
pada Program Studi Sistem Informasi Universitas Jember,
sehingga sistem ini dapat memberikan rekomendasi yang
tepat.
f. Sistem rekomendasi yang dihasilkan potensial untuk
diterapkan diseluruh unit kerja Universitas Jember
Keterbatasan Sistem
Dari hasil pembuatan sistem, penulis dapat menganalisis
kelemahan dari sistem yang dibuat yaitu :
1. Sistem yang dibuat memiliki kekurangan yakni sistem
hanya mampu memberikan rekomendasi berdasar pada
keyword penelitian dosen tanpa memperhatikan alasan
pengajuan dosen pembimbing oleh mahasiswa.
2. Sistem rekomendasi dosen pembimbing hanya
memberikan rekomendasi berdasarkan kata kunci yang
dibandingkan tanpa memperhatikan sinonim kata dan kata
dalam bahasa asing.
K
ESIMPULAN DAN SARAN
Kesimpulan dari penelitian yang telah dilakukan adalah:
a. Penerapan algoritma
winnowing
digunakan pada sistem
rekomendasi penentuan dosen pembimbing untuk
memberikan perhitungan kesamaan antara topik penelitian
mahasiswa dengan penelitian yang pernah dilakukan dosen
dengan mebandingkan kata kunci pada setiap penelitian dan
topik. Langkah awal yakni menentukan nilai
gram
dan
window
untuk dapat melakukan perhitungan kesamaan.
Selanjutnya memasukkan data proposal pengajuan untuk
dilakukan proses rekomendasi dan
approval
. Dari data
tersebut, selanjutnya dihitung nilai kemiripan antara kata
kunci topik yang ada pada data pengajuan dan data kata
kunci penelitian dosen. Hasil dari perhitungan yang
didapatkan adalah persentase kesamaan kata kunci pada
setiap dosen yang diurutkan dari nilai terbesar. Hal yang
mempengaruhi hasil persentase adalah jumlah kata kunci
penelitian dosen. Semakin banyak jumlah penelitian dosen,
maka rekomendasi yang dihasilkan bersifat umum,
sedangkan apabila semakin sedikit kata kunci penelitian
maka rekomendasi akan bersifat khusus. Sehingga apabila
ada satu kecocokan pada proses
string matching
yang
dimiliki oleh dosen dengan jumlah penelitian yang sedikit,
maka rekomendasi akan lebih akurat.
b. Sistem rekomendasi penetuan dosen pembimbing
menggunakan algoritma
winnowing
telah berhasil dibangun
berbasis
website
dengan 3 hak akses yaitu akademik,
komisi bimbingan dengan fitur utama adalah fitur
pengajuan proposal yang dilakukan oleh akademik dan fitur
rekomendasi dosen pembimbing yang dilakukan oleh
komisi bimbingan. Sistem dikembangkan dengan
mengadopsi model
waterfall
. Model
waterfall
digunakan
karena kebutuhan sistem telah bisa didefinisikan di awal.
Tahap pengembangan dilakukan dengan tahap analisis
kebutuhan, desain, penulisan kode program, pengujian dan
pemeliharaan. Analisis kebutuhan dilakukan dengan cara
mencari kebutuhan fungsional dan non fungsional yang
dibutuhkan untuk membangun sistem. Tahap desain sistem
dilakukan dengan melakukan perancangan sistem dengan
membuat beberapa diagram yang akan digunakan sebagai
acuan dalam penulisan kode program. Selanjutnya
dilakukan penulisan kode program dengan menggunakan
bahasa pemrograman
PHP
,
framework CodeIgniter,
dan
database manajemen
MySQL
. Tahap pengujian dilakukan
setelah penulisan kode program yakni dengan melakukan
pengujian
black box
dan
white box
. Tahap terakhir yakni
melakukan pemeliharaan untuk mengetahui fungsionalitas
sistem secara berkala.
BERKALA SAINSTEK 2017, V (1): 11-20
ISSN : 2339-0069
Jarwati
et al.,
Penerapan Algoritma Winnowing Pada Sistem Rekomendasi Penentuan Dosen
.....
20
Saran
Adapun saran yang ditujukan untuk memberikan
masukan yang lebih baik yaitu :
a. Sistem rekomendasi dosen pembimbing yang akan
dikembangkan selanjutnya perlu ditambah bobot alasan
pemilihan dosen oleh mahasiswa, sehingga rekomendasi
yang di dapat akan lebih akurat.
b. Sistem rekomendasi dosen pembimbing yang akan
dikembangkan selanjutnya akan lebih baik jika dapat
mendeteksi sinonim kata sehingga persentase yang
dihasilkan lebih tinggi dan memiliki tingkat akurasi
rekomendasi yang besar.
DAFTAR PUSTAKA
[1]
Khoiri, S. W. (2015).
Pedoman Penulisan Skripsi
FKM UNEJ.
Jember: FKM UNEJ.
[2]
Kurniawati, W. (2008). Perbandingan pendekatan
Deteksi Plagiarism Dokumen Dalam Bahasa Inggris.
Seminar Ilmiah Nasional Komputer dan Sistem
Intelijen
, 255-260.
[3]
Pertiwi. (2015). Implementasi Algoritma Pencocokan
String pada Aplikasi Pengarsipan Berbasis Web.
EXTERNAL JOURNAL
, 1-8.
[4]
Presman, R. (2001).
Software Engineering a
practitioner’s approach (5 ed.).
New York: McGraw-
Hill.
Kata Kunci : matriks Leslie, pertumbuhan populasi, nilai eigen

PENDAHULUAN

Perubahan jumlah pada suatu populasi dipengaruhi oleh keadaan internal dari populasi,
yaitu kelahiran, kematian, dan ketahanan hidup. Adanya perubahan jumlah dari suatu populasi
disebut pertumbuhan populasi. Pertumbuhan populasi dapat memberikan informasi apakah
perubahan jumlah populasi untuk tahun berikutnya selalu meningkat, menurun atau tetap. Oleh
karena itu digunakan matriks Leslie sebagai model pertumbuhan populasi untuk mengetahui prediksi
jumlah dan prediksi laju pertumbuhan dari suatu populasi untuk tahun berikutnya. Salah satu
manfaat dari pemodelan dengan matriks Leslie adalah bagi peternak hewan yaitu untuk mengetahui
pertumbuhan populasi dari hewan ternaknya.

Matriks Leslie memiliki bentuk yang unik yaitu matriks Leslie berbentuk matriks persegi
dengan entri baris pertama dari matriks Leslie terdiri dari tingkat kesuburan betina, sub diagonalnya
berisi tingkat ketahanan hidup betina dan entri yang lain bernilai nol. Matriks Leslie ditemukan oleh
seorang pakar Ekologi bernama P. H Leslie pada tahun 1945 [1]. Populasi yang digunakan pada
perhitungan dengan matriks Leslie adalah populasi betina dari populasi tersebut. Faktor-faktor yang
digunakan pada perhitungan dengan matriks

Leslie adalah batas umur hidup akhir dari suatu betina, faktor tingkat kesuburan betina, dan
tingkat ketahanan hidup betina. Adapun tujuan penelitian ini adalah mengkaji karakteristik dari
matriks Leslie, dan mengkaji langkah-langkah dalam memprediksi jumlah serta memprediksi laju
pertumbuhan pada suatu populasi betina untuk tahun berikutnya. Batasan masalah pada penelitian
ini adalah pada proses memprediksi jumlah dan laju pertumbuhan populasi hanya dipengaruhi oleh
tingkat kesuburan betina, tingkat ketahanan hidup betina dan batas umur hidup betina dari populasi
hewan pada suatu populasi.

Dalam penelitian ini juga diasumsikan bahwa paling sedikit terdapat satu kelas umur dari
tingkat kesuburan yang bernilai positif, dan tingkat ketahanan hidup tidak boleh sama dengan nol,
serta diasumsikan tidak adanya migrasi pada populasi tersebut. Data populasi betina dari suatu
populasi hewan yang diperlukan adalah batas umur akhir dari betina, tingkat kesuburan betina, dan
tingkat ketahanan hidup betina, digunakan untuk mengetahui prediksi jumlah populasi untuk tahun
berikunya. Untuk memprediksi laju pertumbuhan suatu populasi dapat menggunakan nilai eigen
dominan yang diperoleh dari nilai-nilai eigen pada matriks Leslienya.
MATRIKS LESLIE

Pada populasi hewan, menghitung prediksi jumlah populasi dengan matriks Leslie untuk tahun
berikutnya dipengaruhi oleh tingkat kesuburan dan tingkat ketahanan hidup betina dari suatu populasi
[2]. Didefinisikan ai sebagai tingkat kesuburan betina yaitu rata-rata jumlah anak betina yang lahir dari
kelompok umur i saat waktu ke t. Didefinisikan sebagai tingkat ketahanan hidup betina yaitu peluang
betina yang dapat bertahan hidup dari kelas umur ke i sampai saat waktu ke t [1].

Berdasarkan batasan masalah diketahui bahwa paling sedikit satu kelas umur dari ai > 0, karena jika ai
= 0,V i, maka pada kelas tersebut tidak ada kelahiran yang terjadi. Kelas umur yang memiliki nilai ai >
0 , disebut kelas umur kesuburan. Diketahui bi ≠ 0, karena jika bi=0 maka tidak ada betina yang
dapat bertahan hidup kekelas berikutnya [2].

Jika terdapat batas umur hidup dari betina pada suatu populasi A adalah tahun, dan populasi dibagi
menjadi i kelas umur, maka masing-masing kelas umur memiliki rentang umur A/i tahun [1]. Sebagai
contoh dapat dilihat pada Tabel 1.

Diketahui jumlah populasi betina pada masing-masing kelas umur pada saat t=0, dan dimisalkan n1 (t)
adalah jumlah betina n2 (t) di kelas umur pertama, adalah jumlah betina di kelas umur kedua, dan
seterusnya sampai ni (t) adalah jumlah betina dikelas umur i , maka jumlah keseluruhan populasi
betina adalah

Jumlah betina pada masing-masing kelas umur saat t dapat ditulis

Vektor n(t) dinamakan vektor distribusi umur awal [3].